农村黑臭水体类型多,成因复杂,严重影响生态环境质量,使用遥感影像开展农村黑臭水体监测具有实际意义。然而,浮萍型农村黑臭水体与部分植被、绿色房顶和大棚等存在异物同谱现象,利用色度法、特征光谱法提取效果均不理想,严重阻碍了浮萍...农村黑臭水体类型多,成因复杂,严重影响生态环境质量,使用遥感影像开展农村黑臭水体监测具有实际意义。然而,浮萍型农村黑臭水体与部分植被、绿色房顶和大棚等存在异物同谱现象,利用色度法、特征光谱法提取效果均不理想,严重阻碍了浮萍型农村黑臭水体的高精度、重复性和自动化监测。针对该问题,实验利用GF1、GF2、GF6遥感影像,收集和解译了覆盖西安市多个区县、涉及多个污染对象的299处浮萍型农村黑臭水体信息,基于DeeplabV3+语义分割神经网络,采用ResNet101为骨干网络,引入ECA(Efficient Channel Attention)注意力机制,配合对低照度样本开展提亮和纠色前处理,搭建了浮萍型黑臭水体语义分割模型。该模型的F1-score为0.947,平均交并比(MIoU,Mean Intersection over Union)为0.948,浮萍型黑臭水体的交并比(IoU,Intersection over Union)为0.884,错误漏检率(FOR,False Omission Rate)为0.081,表明该模型具备从高分辨率遥感影像上高效、精准、重复识别浮萍型农村黑臭水体的能力,可以为政府部门监管农村黑臭水体提供抓手。展开更多
文摘农村黑臭水体类型多,成因复杂,严重影响生态环境质量,使用遥感影像开展农村黑臭水体监测具有实际意义。然而,浮萍型农村黑臭水体与部分植被、绿色房顶和大棚等存在异物同谱现象,利用色度法、特征光谱法提取效果均不理想,严重阻碍了浮萍型农村黑臭水体的高精度、重复性和自动化监测。针对该问题,实验利用GF1、GF2、GF6遥感影像,收集和解译了覆盖西安市多个区县、涉及多个污染对象的299处浮萍型农村黑臭水体信息,基于DeeplabV3+语义分割神经网络,采用ResNet101为骨干网络,引入ECA(Efficient Channel Attention)注意力机制,配合对低照度样本开展提亮和纠色前处理,搭建了浮萍型黑臭水体语义分割模型。该模型的F1-score为0.947,平均交并比(MIoU,Mean Intersection over Union)为0.948,浮萍型黑臭水体的交并比(IoU,Intersection over Union)为0.884,错误漏检率(FOR,False Omission Rate)为0.081,表明该模型具备从高分辨率遥感影像上高效、精准、重复识别浮萍型农村黑臭水体的能力,可以为政府部门监管农村黑臭水体提供抓手。
